Orang Tua dan Keluarga

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Orang tua dan keluarga — rumah tangga sebagai pemangku kepentingan dalam AI dalam pendidikan: para pengasuh yang mengajari anaknya di rumah, memilih dan membayar alat, mengawasi atau gagal menyadari apa yang dilakukan alat itu, dan menerima apa pun yang dikomunikasikan sekolahnya tentang AI. Halaman ini menghimpun bukti tentang tutoring orang tua–anak yang dimediasi AI dan pendamping percakapan yang digunakan di rumah, tentang serah terima antara rumah dan sekolah, tentang literasi AI orang tua sendiri, dan tentang konsekuensi keadilan dari perangkat rumah, konektivitas, dan biaya. Cakupannya adalah keluarga sebagai aktor — apa yang dilakukan keluarga dengan AI, apa yang sampai kepada mereka dari sekolah, dan apa yang ditetapkan serta tidak ditetapkan penelitian tentang hasilnya.

Pertanyaan yang Perlu Dipertimbangkan

• Luo dkk. (2026) menemukan bahwa bantuan Model Bahasa Besar (LLM) generik mengurangi peran tutoring orang tua, sementara antarmuka yang memisahkan peran mempertahankannya. Jika Anda merancang alat untuk digunakan orang tua dan anak bersama, apa yang akan Anda lindungi dari orang tua, dan apa yang akan Anda serahkan kepada mereka?
• Dalam data Strömberg, Lei dan Wu (2026), skor pekerjaan rumah naik 18% sementara skor ujian tutup buku turun 20% dalam enam bulan. Apa yang sebenarnya dilihat orang tua terjadi di rumah, dan apa yang perlu diberitahukan kepada mereka agar menyadari perbedaannya?
• Xiao dkk. (2026) menemukan guru menunjuk orang tua sebagai pihak yang terutama bertanggung jawab atas hubungan anak dengan pendamping AI sambil menggambarkan orang tua yang sama sebagai tidak sadar atau kelebihan beban. Apakah itu pembagian tanggung jawab yang wajar, dan apa yang diperlukan agar itu menjadi nyata?
• Oreopoulos, Dong dan Low (2026) hampir menggandakan kehadiran sesi pertama dengan menghapus dokumen administratif yang dihadapi keluarga. Di sekolah atau program Anda sendiri, bagian mana dari proses yang menghadap rumah yang ada untuk manfaat keluarga dan bagian mana yang ada untuk manfaat institusi?
• Fan, Li dan Zhang (2026) memperlakukan koordinasi keluarga–sekolah sebagai hipotesis yang belum diuji alih-alih praktik yang mapan. Jika itu belum pernah diuji, atas bukti apa nasihat yang diberikan sekolah Anda kepada orang tua saat ini bersandar?
• MacCallum, Parsons dan Mohaghegh (2026) menggambarkan kesenjangan digital tingkat kedua dan ketiga yang tetap ada setelah perangkat disediakan. Seperti apa penutupan kesenjangan keterampilan dan hasil di sebuah rumah tangga, sebagai lawan dari di ruang kelas?

Pendahuluan

Sebagian besar waktu anak dengan AI terjadi di luar ruang kelas, dalam latar yang sebagian besar diperlakukan literatur penelitian sebagai latar belakang. Karya tentang tutoring dan hasil belajar biasanya berbasis sekolah, sementara karya tentang panduan keluarga biasanya bersifat saran alih-alih teruji, sehingga keluarga sekaligus menjadi sasaran begitu banyak panduan tentang penggunaan AI yang bertanggung jawab dan subjek sangat sedikit bukti tentang apakah panduan itu berhasil.

Halaman ini memperlakukan rumah tangga sebagai aktor dengan hak sendiri. Ia mencakup tutoring orang tua–anak yang dimediasi AI, alat pendamping dan membaca yang ditemui anak di rumah, apa yang dilakukan dan tidak diberitahukan sekolah kepada keluarga tentang penggunaan AI, literasi AI orang tua sendiri dan apa yang diketahui tentang pandangan mereka, serta kondisi akses dan biaya yang dengannya keluarga menggunakan alat-alat ini. Ketika buktinya tipis, halaman ini menyatakannya alih-alih mengisi celahnya.

Orang tua sebagai rekan pendidik di rumah

Bukti desain paling jelas tentang tutoring di rumah berasal dari Luo dkk. (2026), yang membangun ParaTutor untuk konteks tutoring rumahan di Tiongkok setelah studi formatif tentang bagaimana orang tua membantu soal cerita matematika. Karya formatif itu mengidentifikasi kegagalan yang berulang: orang tua kesulitan memahami struktur soal, sering tidak memiliki pengetahuan konten untuk mendukungnya, dan mengalami kesulitan komunikasi yang memutus pemahaman bersama. Respons desainnya adalah pemisahan peran — orang tua menerima panduan tutoring melalui chatbot multi-agen sementara anak menerima landasan visual untuk soalnya sendiri, dengan dukungan yang dibuka per tahap untuk mencegah pasangan ibu-anak melompat ke jawaban. Dalam evaluasi dengan 23 pasangan orang tua–anak (anak berusia 10–12) di empat kondisi, bantuan Model Bahasa Besar (LLM) generik cenderung menggeser peran orang tua, sedangkan antarmuka yang memisahkan peran menjaga orang tua tetap menyampaikan dan menyesuaikan dukungan sementara anak tetap berada dalam penalaran. Implikasi penulisnya bersifat spesifik konteks: dalam pendidikan matematika, di mana akurasi model terbatas, anak seharusnya tidak berinteraksi dengan model itu secara mandiri.

Oreopoulos, Dong dan Low (2026) memperlakukan rumah tangga sebagai aktor prosedural, dan hasil mereka sama-sama tentang perilaku keluarga seperti tentang tutoring. Uji acak mereka dengan Toronto District School Board menempatkan tutor virtual manusia di atas latihan Khan Academy untuk siswa kelas 4–8 yang kesulitan. Pada Tahun 1, hanya sekitar 45% siswa yang dinominasikan guru yang menghadiri bahkan satu sesi, dengan keluarga hilang pada setiap serah terima: undangan, minat, pembuatan akun di platform pihak ketiga, pencocokan, kehadiran. Pada Tahun 2, mengundang keluarga secara langsung melalui guru mereka sendiri untuk waktu mingguan yang tetap dan menangani pendaftaran serta penjadwalan atas nama keluarga menaikkan penerimaan sesi pertama menjadi 83%. Kehadiran mingguan masih berkisar sekitar dua perlima, sebagian besar ketidakhadiran berselang alih-alih putus sekolah; latihan naik sekitar 17 menit seminggu, dan efek niat-untuk-mengobati pada tes topik adalah 0.055 SD, dengan nilai rapor naik sekitar 0.08 SD. Menghapus hambatan mengubah siapa yang hadir, bukan seberapa banyak yang dipertahankan siapa pun.

Pendamping dan alat membaca di rumah

Keluarga lebih sering menemui AI sebagai aplikasi pendamping daripada sebagai sistem tutoring. Liao (2026) membandingkan pendamping "teman sebaya siswa" yang tetap (Whisper dengan GPT-3.5) dengan guru wali kelas berpengalaman dalam sesi percakapan buku dengan 19 siswa sekolah dasar di Taoyuan, Taiwan — 12 di kelas 4 dan tujuh di kelas 5, masing-masing empat sesi. Siswa menghabiskan waktu yang jauh lebih banyak dengan AI, namun menyumbang proporsi kata dan kalimat yang jauh lebih rendah; untuk kelas 5 porsinya kurang dari sepertiga dari yang mereka hasilkan bersama guru, sebuah pola yang disebut makalah itu sebagai dominasi percakapan. Pendamping itu efektif memancing daya ingat faktual dan secara signifikan lebih lemah daripada guru dalam memancing refleksi emosional dan berorientasi masa depan — sebuah langit-langit afektif. Respons Liao adalah kerangka adaptif peran di mana satu pendamping menempati peran Teman Sebaya Siswa, Asisten Guru, dan Penasihat Orang Tua, yang terakhir memperluas diskusi ke rumah. Diagnosis di baliknya adalah kevakuman dukungan: sebagian besar desain pendamping tetap terfokus pada pasangan siswa–AI dan tidak memberi guru serta orang tua tempat yang terdefinisi.

Sebagian remaja lebih memilih mencurahkan isi hati kepada AI daripada kepada orang tua mereka. Data Tiongkok yang dikutip menyebutkan 13.5% pengguna internet muda lebih memilih mencurahkan isi hati kepada AI daripada kepada orang tua mereka, dan kerangka Fu dan Zhao (2026) memprediksi bahwa ikatan dengan AI menjadi substitusi kompensatoris ketika pengasuh gagal mengenali kebutuhan konfirmasi identitas seorang remaja.

Dua makalah anak usia dini berkaitan dengan apa yang sampai ke rumah. Yang, Li dan Lee (2025) berargumen bahwa agen fisik yang berwujud lebih baik secara perkembangan daripada layar bagi anak kecil, tetapi memperingatkan bahwa robot sosial generatif dapat mengarang konten yang diterima anak praoperasional sebagai kebenaran, kurang memiliki kalibrasi perkembangan dalam umpan balik mereka, dan membawa hambatan biaya serta akses yang memperlebar kesenjangan digital. Malallah dkk. (2026) menempuh jalur berbeda dengan kelompok usia yang sama: kerangka AI-Play berbasis permainan tanpa perangkat mereka diimplementasikan melalui acara Hour of Code yang berpusat pada keluarga, dengan survei orang tua dan lembar refleksi anak digunakan untuk mengukur keterlibatan dan kegunaan bagi replikasi di rumah. Mereka melaporkan keterlibatan yang tinggi dan pemahaman yang mulai muncul bahwa AI belajar dari contoh.

Komunikasi dan transparansi rumah–sekolah

Apa yang diberitahukan sekolah kepada keluarga tentang AI, dan apa yang diberitahukan keluarga kepada sekolah, sebagian besar belum diteliti; temuan yang paling jelas menyangkut ketiadaan saluran. Dalam wawancara berbasis skenario dengan 33 guru K-12 Amerika Serikat, Xiao dkk. (2026) menemukan bahwa keputusan untuk melakukan intervensi bergantung pada yurisdiksi alih-alih bahaya yang dipersepsikan. Uji visibilitas mereka menarik batas di pintu sekolah: penggunaan di kelas atau pada alat yang ditugaskan berada di dalam peran guru, sementara penggunaan di rumah masuk ke dalamnya hanya melalui efek yang teramati seperti penarikan diri, penurunan nilai, atau isolasi — tanpa itu, guru menggambarkan pengamatan dan dokumentasi informal alih-alih tindakan. Skenario Orang Tua disebut paling mengkhawatirkan oleh 10 dari 33 guru, 17 mengatakan seorang guru seharusnya terlibat dan 11 menjawab "tergantung". Orang tua disebut pertama sebagai pihak yang terutama bertanggung jawab atas hubungan anak dengan pendamping AI, lalu digambarkan sebagai tidak sadar atau kelebihan beban. Para penulis menyebut ini kekosongan yurisdiksional dan memperingatkan bahwa tanpa klaim kurikuler yang mapan, orang dewasa dengan akses paling konsisten ke anak akan beralih ke pengawasan dan rujukan. Konselor, orang tua, dan siswa tidak diwawancarai.

Fan, Li dan Zhang (2026) membuat masalah koordinasi itu eksplisit. Dalam meninjau literatur panduan, mereka mengamati bahwa literatur itu mendorong manajemen risiko ke keluarga dan sekolah sambil memperlakukan koordinasi keduanya sebagai hal yang mapan, dan mereka merumuskan tiga model yang bersaing — aditif, sinergis, dan kompensatoris — dengan mencatat bahwa versi sinergis yang tertanam dalam sebagian besar panduan tidak memiliki bukti pendukung. Uji yang mereka usulkan adalah uji faktorial yang membandingkan panduan khusus keluarga, khusus sekolah, terkoordinasi, dan praktik biasa. Di sisi keluarga mereka membawa pembedaan teori penentuan nasib sendiri antara pengalihan dependen, di mana pemikiran inti didelegasikan, dan pengalihan otonom, di mana AI memberi perancah sementara pembelajar mempertahankan agensi epistemik; kinerja langsung identik dalam kedua kasus, yang membuat penggunaan maladaptif sulit dilihat orang tua.

Ketidakterlihatan yang sama muncul dalam data capaian. Strömberg, Lei dan Wu (2026) mengikuti 26,811 siswa menengah Tiongkok di kelas 7–12 selama 30 bulan dan menemukan bahwa adopsi AI generatif menaikkan skor pekerjaan rumah sebesar 18% dan memangkas waktu penyelesaian sebesar 30% sementara menurunkan skor ujian tutup buku sebesar 20% dalam enam bulan, dengan penurunan ujian masuk sebesar 18% dan 24% baru muncul setelah sekitar dua tahun. Sekitar 81% pengguna menunjukkan pola pengalihdayaan pekerjaan rumah, sementara pengguna AI yang menghabiskan waktu pekerjaan rumah sebanyak non-pengguna memperoleh skor serupa pada ujian. Rekomendasi para penulis ditujukan kepada orang dewasa di sekitar anak: pantau masukan seperti waktu dan usaha pekerjaan rumah alih-alih keluaran seperti skor pekerjaan rumah. Mereka memperingatkan bahwa pemantauan orang tua yang lebih ketat itu sendiri adalah salah satu hal tak teramati yang membedakan kelompok non-pengalihdayaan.

Literasi AI dan advokasi orang tua sendiri

Bukti langsung tentang apa yang diketahui, ditakuti, dan diminta orang tua itu tipis, dan orang tua sebagian besar muncul dalam literatur sebagaimana dilaporkan orang lain. Orang tua dalam studi kasus kritis Liu dkk. (2026) tentang makerspace khusus perempuan diwawancarai bersama para gadis dan praktisi, dan melaporkan bahwa gadis-gadis sering "menjadi takut" dan berbicara lebih sedikit dalam lingkungan campuran gender. Dalam Xiao dkk. (2026), literasi pendamping yang digambarkan guru adalah kerja bersama di antara konselor, orang tua, platform, dan pembuat kebijakan, yang diurutkan sebagai spiral bertingkat usia, dengan orang tua disebut pertama lalu digambarkan sebagai sudah menanggung lebih dari yang mampu mereka pikul. Orang tua muncul dalam evaluasi AI-Play melalui survei kegunaan aktivitas alih-alih melalui kisah pemahaman mereka sendiri.

Apa yang dibutuhkan orang tua untuk mengambil bagian dalam semua ini, pada dasarnya, didefinisikan oleh kerangka literasi AI yang dibangun untuk sekolah. MacCallum, Parsons dan Mohaghegh (2026) merancang SAIL agar tidak bergantung pada usia, memperlakukan kompetensi Tingkat 1-nya — memahami dan mengeksplorasi AI — sebagai esensial bagi semua usia, yang menempatkan orang dewasa dalam progresi yang sama dengan anak-anak alih-alih sebagai instrukturnya. Keluarga juga menempati peran formal dalam penelitian itu sendiri: Allison (2026) meminta penulis melaporkan konteks peserta dan karakteristik sosio-demografis, aksesibilitas dan kesesuaian kultural, serta telaah etis, persetujuan, dan tata kelola data — kewajiban yang melaluinya persetujuan, data, dan konteks sebuah keluarga menjadi terlihat sama sekali.

Akses dan keadilan antarkeluarga

Biaya dan konektivitas membentuk apa yang dapat digunakan keluarga sebelum pertanyaan pedagogi apa pun muncul. Dalam studi makerspace, Liu dkk. (2026) mendokumentasikan hambatan biaya sekaligus hambatan desain: pembuat gambar gratis Playground mencabut fungsi gratisnya demi tingkat "pro" berbayar yang tidak mampu ditanggung organisasi nirlaba berkekurangan sumber daya itu, dan alat-alat itu hanya menerima prompt bahasa Inggris, merugikan gadis-gadis yang tidak percaya diri berbahasa Inggris. Yang, Li dan Lee (2025) menandai biaya dan akses sebagai hal yang memperlebar kesenjangan digital. Hasil penerimaan dalam Oreopoulos, Dong dan Low (2026) adalah hasil keadilan sekaligus hasil desain: keluarga yang hilang pada Tahun 1 hilang karena langkah administratif, dan intervensi yang memulihkan mereka dibangun di sekitar guru keluarga itu sendiri dan slot mingguan yang tetap.

Fan, Li dan Zhang (2026) menyebut kondisi pengukuran yang membuat nasihat keluarga yang menyeluruh tidak aman: instrumen untuk literasi AI, ketergantungan, dan ketergantungan berlebih sebagian besar dikembangkan dalam sampel satu negara atau universitas terspesialisasi, dan sebagian besar studi bersifat lintas-seksional dan lapor diri. Argumen keadilan SAIL juga berlaku dalam register rumah tangga: menyediakan perangkat hanya menangani kesenjangan pertama dari tiga kesenjangan, dan kesenjangan keterampilan serta hasil tetap ada terlepas dari siapa yang memiliki perangkat kerasnya.

Apa yang ditunjukkan dan tidak ditunjukkan oleh bukti

Hasil yang paling kuat berhadapan dengan keluarga dalam basis pengetahuan ini menyangkut perilaku alih-alih pembelajaran. Mengurangi hambatan yang menghadap rumah menaikkan kehadiran sesi pertama dari sekitar 45% menjadi 83% dalam satu uji, dan penerimaan tetap menjadi kendala pengikat bahkan saat itu. Uji yang sama menghasilkan perolehan hasil yang kecil dan tidak presisi, sementara studi capaian terbesar melaporkan efek negatif besar yang terkonsentrasi pada siswa yang mengalihdayakan pekerjaan rumah, sebuah pola yang sebagian diatribusikan penulisnya pada pemantauan orang tua yang tidak dapat mereka ukur secara langsung. Tidak ada temuan yang mengisolasi apa yang dilakukan orang tua dari apa yang dilakukan sekolah atau alat.

Apa yang hilang lebih mencolok. Kisah orang tua sendiri jarang: guru dalam Xiao dkk. (2026) mengecualikan orang tua dari sampel mereka secara desain, dan orang tua yang muncul diwawancarai sebagai satu suara di antara para gadis, praktisi, atau guru. Tidak ada bukti langsung di sini tentang bagaimana keluarga mempelajari kebijakan AI sekolah, apa yang diberitahukan kepada mereka tentang pemantauan atau pengungkapan, atau bagaimana mereka meresponsnya, dan koordinasi keluarga–sekolah telah diteorikan alih-alih diuji. Desain tutoring rumahan seperti ParaTutor telah dievaluasi dengan 23 pasangan dalam satu konteks nasional, dan perbandingan pendamping bertumpu pada 19 siswa di satu sekolah.

Sebuah tinjauan cakupan tahun 2026 memetakan sejauh mana bidang ini telah melangkah. Luo dkk. (2026) menganalisis 53 studi HCI dari 6,540 catatan di 19 venue melalui teori aktivitas, dan menemukan literatur terpusat pada interaksi anak–orang tua dan pada bahasa, literasi AI, serta pembelajaran relasional, dengan 44 dari 53 studi (83%) berlatar konfigurasi anak–orang tua. Sistem percakapan, berwujud, dan spasial menghasilkan dukungan dari konteks interaksi yang sedang berlangsung, dan LLM mendistribusikan ulang kerja pendidikan sementara keluarga dan institusi tetap bertanggung jawab menafsirkan keluaran dan memutuskan bagaimana keluaran itu masuk ke praktik. Personalisasi yang berkelanjutan, kerja perbaikan, dan bagaimana keluarga menegosiasikan otoritas dan aturan adalah celah yang disebut tinjauan itu, yakni ketiadaan yang sama yang didokumentasikan bagian ini dari arah sebaliknya.

Hubungan dengan halaman lain. Pemangku Kepentingan adalah gambaran singkat seluruh rangkaian pemangku kepentingan, dengan keluarga terdaftar sebagai audiens yang belum dibahas secara mendalam; halaman ini adalah kedalaman itu. Pendidikan Anak Usia Dini mencakup domain perkembangan dan pedagogis bagi pembelajar muda di sekolah dan rumah; halaman ini mengikuti keluarga lintas usia, dari aktivitas bermain prasekolah hingga pekerjaan rumah menengah. Pernyataan Penggunaan dan Pengungkapan AI mencakup apakah pembelajar memberi tahu orang lain bahwa mereka menggunakan AI; halaman ini mencakup pertanyaan yang berdekatan, yakni apakah informasi itu sampai kepada orang dewasa di rumah, dan apa yang diberitahukan kepada keluarga tentang penggunaan AI di sekolah.

Miskonsepsi umum

"Keluarga akan terlibat jika tawarannya dibuat." Penerimaan runtuh di setiap serah terima. Pada Tahun 1 program yang dikutip di sini, hanya sekitar 45% siswa yang dinominasikan guru yang menghadiri bahkan satu sesi, dengan keluarga hilang pada setiap langkah — undangan, minat, pembuatan akun di platform pihak ketiga, pencocokan. Setiap serah terima adalah tempat kehilangan keluarga, sehingga tawaran yang tersampaikan jauh lebih bernilai kecil daripada tawaran yang dibuat.

"Koordinasi keluarga–sekolah seputar GenAI adalah praktik yang mapan." Fan, Li dan Zhang (2026) memperlakukannya sebagai hipotesis yang belum diuji alih-alih praktik yang mapan. Program sedang dirancang atas asumsi yang belum diuji literatur, yang layak diketahui sebelum mengadopsi salah satunya sebagai berbasis bukti.

"Orang tua akan menyadari jika AI merugikan pembelajaran anaknya." Merekalah yang paling tidak berposisi untuk menyadarinya. Dalam data Strömberg, Lei dan Wu (2026), skor pekerjaan rumah naik 18% sementara skor ujian tutup buku turun 20% dalam enam bulan — dan angka yang naik itulah yang terlihat di rumah. Orang tua yang mengawasi pekerjaan rumah melihat perbaikan sementara hasil yang bertahan justru menurun.

"Penggunaan AI di rumah adalah pertanyaan izin orang tua." Ini pertanyaan literasi dan advokasi. Literasi AI orang tua sendiri menentukan apa yang dapat mereka pertanyakan tentang alat yang dikeluarkan sekolah, dan ketidakadilan akses antarkeluarga membentuk anak mana yang mendapatkan mediasi orang dewasa sama sekali.

Konsep terkait

• Pemangku Kepentingan — halaman payung untuk audiens dan aktor dalam AI dalam pendidikan
• Pendidikan Anak Usia Dini — domain perkembangan tempat penggunaan rumah dan keluarga paling banyak diteliti
• Pernyataan Penggunaan dan Pengungkapan AI — praktik pengungkapan dan pertanyaan tentang apa yang sampai kepada keluarga
• Literasi AI — kompetensi orang tua sendiri dan kerangka buatan sekolah yang mendefinisikannya
• Keadilan — bagaimana manfaat dan beban terdistribusi antarrumah tangga
• Kesenjangan Digital — lapisan akses, keterampilan, dan hasil sebagaimana berlaku di rumah
• AI Percakapan — bentuk dominan AI dalam latar keluarga
• Teori Determinasi Diri — dukungan otonomi sebagai kerangka panduan keluarga
• Offloading Kognitif — pengalihan dependen versus otonom, dan mengapa orang tua tidak dapat melihat perbedaannya
• Tutoring Cerdas — model di balik tutoring orang tua–anak yang dimediasi AI

Artikel terkait

• Artificial Intelligence Connectedness: Theoretical Reconstruction of Connectedness and Its Impacts on Adolescent Mental Health — Keterhubungan AI remaja dan kapan ikatan dengan AI menggantikan pengakuan pengasuh yang tidak terpenuhi

• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding — dukungan LLM yang memisahkan peran untuk 23 pasangan orang tua–anak dalam tutoring matematika rumahan di Tiongkok

• Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — pendamping berperan teman sebaya tetap versus guru dengan 19 siswa sekolah dasar di Taiwan

• Family-school autonomy support for children's responsible use of generative artificial intelligence — tinjauan yang memperlakukan koordinasi keluarga–sekolah sebagai hipotesis yang belum diuji

• RAISE the Standard: A Framework for Transparent Reporting of Artificial Intelligence Studies in Education — kewajiban pelaporan yang mencakup persetujuan, konteks peserta, dan keadilan akses

• Exploring K-12 Teachers' Perceptions of Students' Relationships with AI Companions: Boundaries, Intervention Strategies, and Design Implications — 33 guru tentang yurisdiksi, orang tua, dan hubungan anak dengan pendamping AI

• AI-Play: A Framework for Teaching Artificial Intelligence Concepts through Unplugged Activities in Early Childhood Education — literasi AI tanpa perangkat yang diuji melalui acara Hour of Code berpusat keluarga

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — orang tua di antara narasumber; biaya alat dan hambatan bahasa dalam latar informal

• Tailoring AI Agents for Early Learning: The Creative Project Approach — agen fisik untuk anak kecil, dengan catatan biaya, akses, dan privasi

• Transforming clicks into critical thinking: An AI-based media literacy program for children — program sekolah tentang privasi data, komunikasi aman, dan etika media pada 36 siswa kelas empat

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — penerimaan naik dari 45% menjadi 83% ketika langkah yang menghadap keluarga dihapus

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — pengalihdayaan pekerjaan rumah, penurunan ujian, dan alasan memantau masukan

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — tingkat literasi AI yang tidak bergantung usia dan kesenjangan digital tiga tingkat

• Characterizing LLM-Based Family Education through the Lens of Activity Theory: A Scoping Review of the HCI Literature — Mencirikan Pendidikan Keluarga Berbasis LLM melalui Lensa Teori Aktivitas: Tinjauan Cakupan atas Literatur HCI